JPH02204797A - Voice recognition system - Google Patents

Abstract

PURPOSE:To recognize voice inputted from an unspecific speaker by providing the system with a voice analyzing means, a reference pattern storage means, a reference pattern selecting means, a word selecting means, etc., and informing a word to be recognized by a voiced word informing means prior to user's speaking. CONSTITUTION:When a coin receiving means 7 decides the injection of coins, a word (flavor name) for selecting flavor is informed by a speaking word informing means 10 to advise user's speaking by a speaking advising means 5 and the voice is recognized by the voice analyzing means 2. Whether the recognized result is valid or not is decided by selecting a pattern from the reference pattern storing means 3 by the reference pattern selecting means 4, and in a case other than rejection, a word (hot or ice) in the succeeding step is informed, and user's speaking is advised and recognized. A drink (e.g. hot coffee containing sugar and cream) selected by repeating the operation is poured into a cap and carried out by a drink carrying means 8. When a balance is required, the balance is repaid by a coin receiving means 7, and finally a voice guiding means 5 generates 'THANK YOU' to end a series of vending operation.

Description

【発明の詳細な説明】 産業上の利用分野 本発明は、特定話者及び不特定話者が入力した離散単語
音声を認識し、その認識結果により数々の処理を行うた
めの音声認識システムに関し、特に、不特定話者に対応
した音声認識システムに関するものである。DETAILED DESCRIPTION OF THE INVENTION Field of Industrial Application The present invention relates to a speech recognition system for recognizing discrete word speech input by specific speakers and unspecified speakers, and performing various processes based on the recognition results. In particular, it relates to a speech recognition system that supports unspecified speakers.

従来の技術 従来、カップ飲料等の自動販売機（以後単にカップ自販
機と称する）を始めとする自販機用の音声認識システム
は、第６図に示すように、まず、利用者がマイクロホン
１により入力した音声を音声分析手段２により分析して
音声パターンを抽出する。分析には帯域通過フィルタ群
を使ったＢＰＦ（Ｂａｎｄ　Ｐａｔｈ　Ｆｉｌｔｅｒ）
分析結果を時間軸と周波数軸で標本化し強度をディジタ
ル処理する手法を用いる。標準パターン記憶手段３には
、同様の手法により抽出した多数の不特定話者が発声し
た複数の離散単語の音声パターンを標準パターンとして
あらかじめ記憶しである。ただし、ここで標準パターン
として記憶されている単語はカップ自販機で販売するン
レーパー（コーヒ、ジュース等飲料の品名）の呼称とい
くつかの返答単語（”はい””いいえ”、”ホット”ア
イス”等）である。2. Description of the Related Art Conventionally, a voice recognition system for a vending machine such as a vending machine for cup beverages (hereinafter simply referred to as a cup vending machine) has been designed to first recognize input by a user using a microphone 1, as shown in FIG. The voice is analyzed by the voice analysis means 2 and a voice pattern is extracted. BPF (Band Path Filter) using a group of band pass filters for analysis
A method is used to sample the analysis results on the time and frequency axes and digitally process the intensity. The standard pattern storage means 3 stores in advance, as standard patterns, audio patterns of a plurality of discrete words uttered by a large number of unspecified speakers, extracted by a similar method. However, the words that are stored as standard patterns are the names of drinks sold in cup vending machines (product names of coffee, juice, etc.) and some response words ("yes", "no", "hot", "ice", etc.). ).

そして標準パターン選出手段４で、標準パターンの中か
ら入力音声パターンに最も近い標準パターンをＤ　Ｐ　
（Ｄｙｎａｍｉｃ　Ｐｒｏｇｒａｍｍｉｎｇ　）　マー
）チング法により選出し音声を認識するものである。Ｄ
Ｐマツチング法とは動的計画法と訳され、１９５７年に
米国のＢｅ　ｌ　１ｍａｎ　が提案した数理計画法の一
手法で、多段決定過程の最適化に適用される。その手法
は、各段で、ある決定（制御）を行って状態を変換させ
ながら、目的の状態に達するまでの過程での制御の良さ
／悪さを評価する関数を最大／最小とするというもので
ある。又、音声認識システムが特定話者に対応する場合
は、標準パターン記憶手段３に特定話者が発声した認識
単語の音声パターンを登録し、一方、不特定話者に対応
する場合は、不特定多数の話者が発声した認識単語の音
声パターンの代表パターンのいくつかを登録する。Then, the standard pattern selection means 4 selects the standard pattern closest to the input voice pattern from among the standard patterns.
(Dynamic Programming) Speech is selected and recognized using the marking method. D
The P-matching method, which is translated as dynamic programming, is a method of mathematical programming proposed by Belman of the United States in 1957, and is applied to the optimization of multi-stage decision processes. The method is to make a certain decision (control) at each stage to transform the state, and then maximize/minimize the function that evaluates the goodness/badness of the control in the process of reaching the target state. be. In addition, when the speech recognition system is compatible with a specific speaker, the speech pattern of the recognized word uttered by the specific speaker is registered in the standard pattern storage means 3, and on the other hand, when the speech recognition system is compatible with an unspecified speaker, Some representative speech patterns of recognized words uttered by many speakers are registered.

発声誘導手段６は、音声合成手段により構成され、後述
する制御手段６の処理に応じて、利用者の発声を促すた
めに音声による誘導を行う。例えば、フレーバーの選択
時は、「いらっしゃいませ。The voice guidance means 6 is constituted by a voice synthesis means, and performs voice guidance to encourage the user to speak in accordance with the processing of the control means 6, which will be described later. For example, when choosing a flavor, say, ``Welcome.

何になさいますか。」と発声して、利用者にフレーバー
名の発声を促す。ただし、フレーバー名はカップ自販機
前面のパネル板等に明記してあり、利用者はその中から
好みのフレーバー名を１つ選んで発声するものである。What would you like. ” to prompt the user to say the flavor name. However, the flavor names are clearly written on the panel board on the front of the cup vending machine, and the user selects one flavor name from among them and speaks it out loud.

便宜上、本従来例においてハ選択でキルフレーバー全１
′コーヒー　　“レモンティー　　“ココア″、゛ジュ
ーヌ”の４種類とする。For convenience, in this conventional example, all 1 kill flavor is selected by Ha selection.
``Coffee'', ``Lemon tea'', ``Cocoa'', and ``June''.

又、ホットかアイスかを選択する必要がある場合は（Ｉ
Ｉコーヒー１．ルモンティー　　“ココアｃＤ　ｓ　種
類）、「ホットにしますかアイスにしますか。」と発声
して、利用者に返答（「ホット」か「アイス」）の発声
を促す。Also, if you need to choose hot or iced (I
I coffee 1. Lumonty “Cocoa CD s type)” says “Do you want it hot or iced?” and prompts the user to say the response (“hot” or “ice”).

そして、コーヒーを選択した場合のみ、「砂糖とクリー
ムを入れますか。」と発声して、利用者に返答（ｒｂＪ
か「いいえ」）の発声を促すものである。制御手段６は
、処理に応じて、発声誘導手段６に誘導音声の発声を指
示し、標準パターン選出手段４により選出した標準パタ
ーンから利用者が発声した単語を認識するとともに、認
識結果によυ以後のカップ自販機の動作を制御するもの
である。又、７はコインの受は取りと釣り銭の払い戻し
を行うコイ／受は取り手段、８は選択されたフレーバー
をカップに注ぎ搬出する飲料搬出手段である。以上の説
明で明らかなように、本従来例では、認識できる単語は
、４種類のフレーバー名（コーヒー、レモンティー　コ
コア、ジュース）と４種類の返答（はい、いいえ、ホッ
ト、アイス）であるが、これは単なる一例にしかすぎな
いことを明記しておく。Then, only when coffee is selected, a response is given to the user by saying, "Would you like to add sugar and cream?" (rbJ
or “no”). The control means 6 instructs the utterance guidance means 6 to utter a guidance voice according to the process, recognizes the words uttered by the user from the standard pattern selected by the standard pattern selection means 4, and uses the recognition result to This controls the subsequent operation of the cup vending machine. Further, 7 is a coin receiving means for collecting coins and refunding change, and 8 is a beverage discharging means for pouring the selected flavor into a cup and carrying it out. As is clear from the above explanation, in this conventional example, the words that can be recognized are four types of flavor names (coffee, lemon tea, cocoa, juice) and four types of responses (yes, no, hot, ice). Please note that this is just an example.

発明が解決しようとする課題 しかしながら、上記のような方法ス畔、利用者が発声す
べき単語を明確に告知されていないため、例えば、利用
者は、フレーバー選択時に、「（フレーバー名）にしま
す。」とか、「（フレーバー名）です。」と発声したシ
、ホットかアイスの選択時には、「（ホット／アイス）
にします。」と発声したシ、又、砂糖とクリームを入れ
るかどうかの選択時にも、「入れます。」と発声したシ
して、認識可能な単語以外の単語を発声したり、余分な
語尾を付加して発声したりする可能性がある。Problems to be Solved by the Invention However, with the method described above, the user is not clearly informed of the words to say. ” or “It’s (flavor name).” When selecting hot or iced, say “(hot/ice).”
I'll make it. Also, when choosing whether or not to add sugar and cream, the child uttered ``I'll add it.'' and uttered words other than the recognizable words or added extra endings. There is a possibility that the person may make a sound.

このため、正尚に認識できずに認識率が低下してしまう
という不具合いが生じるという課題があった。For this reason, there has been a problem in that accurate recognition is not possible and the recognition rate is reduced.

課題を解決するだめの手段 上記課題を解決するために本発明の音声認識システムは
、複数の離散単語音声の標準パターンを記憶した標準パ
ターン記憶手段と、発声者の音声を分析し音声パターン
を抽出する音声分析手段と、前記標準パターン群から、
前記音声分析手段により抽出した音声パターンに最も近
い標準パターンを選出する標準パターン選出手段と、前
記複数の離散単語から認識すべき複数の単語を選択する
単語選択手段と、前記単語選択手段により選択した複数
の単語を発声前に発声者に知らしめる発声単語告知手段
と、発声者に単語を発声するように誘導する発声誘導手
段とを備えたものである。Means for Solving the Problems In order to solve the above problems, the speech recognition system of the present invention includes a standard pattern storage means that stores standard patterns of a plurality of discrete word sounds, and extracts speech patterns by analyzing the speech of the speaker. from the standard pattern group,
standard pattern selection means for selecting a standard pattern closest to the speech pattern extracted by the speech analysis means; word selection means for selecting a plurality of words to be recognized from the plurality of discrete words; This device is equipped with a utterance word announcement means for notifying a speaker of a plurality of words before uttering them, and a utterance guidance means for guiding the speaker to utter the words.

作　　用 本発明は上記した構成により、発声者（利用者）が発声
する前に、発声単語告知手段により、認識可能な複数の
単語を発声者に告知するものである。Effects According to the present invention, with the above-described configuration, a plurality of recognizable words are announced to the speaker (user) by the uttered word notification means before the speaker (user) utters the words.

実施例 以下本発明の一実施例の音声認識システムについて図面
を参照しながら説明する。本実施例は不特定話者に対す
る音声認識システムをカップ自販機に適用したものであ
る。ただし、構成要件中、従来例と同構成のものは同番
号を付し、説明を割愛する。Embodiment Hereinafter, a speech recognition system according to an embodiment of the present invention will be described with reference to the drawings. In this embodiment, a voice recognition system for unspecified speakers is applied to a cup vending machine. However, among the configuration requirements, those with the same configuration as the conventional example are given the same numbers and explanations are omitted.

第１図は、本発明の実施例における音声認識システムの
機能ブロック図を示すものである。９は単語選択手段で
、制御手段６の処理に応じて、認識すべき単語を選択す
る。１０はＣＲＴ等の表示手段により構成される発声単
語告知手段で、単語選択手段９により選択した単語と適
当なコメントを表示する。本実施例では、発声誘導手段
５と発声単語告知手段１ｏとは連動しており、その関係
を第２〜４図の連動関係図に示す。第２図は、フレーバ
ー選択時の連動を示したもので、発声誘導手段５により
「いらっしゃいませ、何になさいますか。」と発声して
、利用者にフレーバー塩の発声を促す。そして、単語選
択手段９によりフレーバー塩を表わす単語を選択して「
次の中から１つだけ選んでお答え下さい。」というコメ
ントとともに発声単語告知手段１ｏの表示部に表示して
、利用者に発声すべき単語を告知する。以後、この連動
をパターン１の連動と称する。次に、第３図ハ、コーヒ
ー、レモンティーま’ｃはココアラ選択した場合のホッ
トかアイスかの選択時の連動を示したもので、発声誘導
手段５により「ホットにしますか、アイスにしますか。FIG. 1 shows a functional block diagram of a speech recognition system in an embodiment of the present invention. Reference numeral 9 denotes word selection means, which selects words to be recognized in accordance with the processing of the control means 6. Reference numeral 10 denotes an uttered word notification means constituted by a display means such as a CRT, which displays the word selected by the word selection means 9 and an appropriate comment. In this embodiment, the utterance guiding means 5 and the uttered word announcing means 1o are interlocked, and their relationship is shown in the interlocking relationship diagrams of FIGS. 2-4. FIG. 2 shows the linkage at the time of flavor selection, in which the voice guidance means 5 utters ``Welcome, what would you like?'' to prompt the user to utter flavor salt. Then, the word selection means 9 selects a word representing flavored salt and reads ``
Please choose only one answer from the following. ” is displayed on the display section of the uttered word notification means 1o to notify the user of the word to be uttered. Hereinafter, this interlock will be referred to as pattern 1 interlock. Next, Figure 3 shows the interlocking behavior when selecting hot or iced when Cocoara is selected. mosquito.

」と発声し、単語選択手段９によりホットとアイスを選
択して［次のいずれかをお答え下さい。」というコメン
トとともに発声単語告知手段１ｏの表示部に表示して、
利用者に発声すべき単語を告知する。以後、この連動を
パターン２の連動と称する。そして、第４図は、コーヒ
ーを選択した場合の砂糖とクリームを入れるかどうかの
選択時の連動を示したもので、発声誘導手段５により「
砂糖とクリームを入れますか。」と発声し、単語選択手
段９によりはいといいえを選択して「次のいずれかをお
答え下さい。」というコメントとともに発声単語告知手
段１ｏの表示部に表示して、利用者に発声すべき単語を
告知する。以後、この連動をパターン３の連動と称する
。'', select hot and iced using the word selection means 9, and select ``Please answer one of the following.'' ” on the display section of the uttered word notification means 1o,
Notify the user of the words to say. Hereinafter, this interlock will be referred to as pattern 2 interlock. FIG. 4 shows the linkage when selecting whether to add sugar and cream when coffee is selected.
Would you like to add sugar and cream? '', select Yes or No using the word selection means 9, display the comment ``Please answer one of the following'' on the display section of the uttered word notification means 1o, and tell the user the word to be uttered. to announce. Hereinafter, this interlocking will be referred to as pattern 3 interlocking.

以上のように構成されたカップ自販機用音声認識システ
ムについて、第６図のフローチャートを用いてその販売
動作を説明する。まず、ステップ１０１で、コイン受は
取り手段７にコインが投入されたかどうかを判定し、コ
インが投入されればステップ１０２へ進む。ステップ１
０２では、フレーバーを選択するため、パターン１の連
動により利用者に発声すべき単語（フレーバー塩）を告
知して発声を促し、ステップ１０３で、利用者が発声し
た音声を認識する。そして、ステップ１０４で、認識結
果が適当かどうかを判定し、リジェクト（発声された単
語がどの単語にも該崩しない）の場合はステップ１０２
へ戻る。一方、リジェクトでない場合はステップ１ｏ５
へ進む。ステップ１０５では、認識単語（７レ一パー名
）を判定し、コーヒーの場合はステップ１０６へ進む。The vending operation of the voice recognition system for a cup vending machine configured as described above will be explained using the flowchart shown in FIG. First, in step 101, the coin receiver determines whether a coin has been inserted into the taking means 7, and if a coin has been inserted, the process proceeds to step 102. Step 1
In step 02, in order to select a flavor, the word to be uttered (flavor salt) is announced to the user and the user is encouraged to utter it in accordance with pattern 1, and in step 103, the voice uttered by the user is recognized. Then, in step 104, it is determined whether the recognition result is appropriate, and if it is rejected (the uttered word does not fall under any word), step 102
Return to On the other hand, if it is not rejected, step 1o5
Proceed to. In step 105, the recognized word (7 workers' names) is determined, and in the case of coffee, the process proceeds to step 106.

ステップ１０６では、ホットにするかアイスにするかを
選択するため、パターン２の連動により利用者に発声す
べき単語（ホットかアイス）を告知して発声を促し、ス
テップ１０７で、利用者が発声した音声を認識する。そ
して、ステップ１０Ｂで、認識結果が適当かどうかを判
定し、リジェクトの場合はステップ１０７へ戻る。一方
、リジェクトでない場合はステップ１０９へ進む。ステ
ップ１０９では、認識単語（ホットかアイス）を判定し
、ホットの場合はステップ１１０へ進む。ステップ１１
０では、砂糖とクリームを入れるかどうかを選択するた
め、パターン３の連動により利用者に発声すべき単語（
はいかいいえ）を告知して発声を促し、ステップ１１１
で、利用者が発声し、た音声を認識する。そして、ステ
ップ１１２で、認識結果が適当かどうかを判定し、リジ
ェクトの場合はステップ１１０へ戻る。一方、リジェク
トでない場合はステップ１１３へ進む。ステップ１１３
では、認識単語を判定し、はいの場合はステップ１１４
へ進む。ステップ１１４では、以上の処理で選択された
飲料（コーヒー、ホント、砂糖・クリーム入り）を飲料
搬出手段８によりカップに注ぎ、搬出する。そして、ス
テップ１１５で、釣り銭がある場合は、コイン受は塩９
手段７により釣り銭を払い戻し、最後に、ステップ１１
６で、音声合成手段５により「ありがとうございました
。」と発声して一連の販売動作を終了する。In step 106, in order to select hot or iced, the user is prompted to say the word (hot or iced) by linking with pattern 2, and in step 107, the user utters the word. recognize the voice. Then, in step 10B, it is determined whether the recognition result is appropriate, and in the case of rejection, the process returns to step 107. On the other hand, if the request is not rejected, the process advances to step 109. In step 109, the recognized word (hot or iced) is determined, and if it is hot, the process proceeds to step 110. Step 11
In 0, in order to select whether to add sugar and cream, the words to be uttered to the user (
Step 111
The system recognizes the voice uttered by the user. Then, in step 112, it is determined whether the recognition result is appropriate, and if the recognition result is rejected, the process returns to step 110. On the other hand, if it is not rejected, the process advances to step 113. Step 113
Then, determine the recognized word, and if yes, step 114
Proceed to. In step 114, the beverage selected in the above process (coffee, honto, with sugar and cream) is poured into a cup by the beverage conveyance means 8 and conveyed out. Then, in step 115, if there is change, the coin receiver is salt 9.
Refund the change by means 7, and finally, step 11
At step 6, the voice synthesizing means 5 utters "Thank you very much." and the series of sales operations ends.

尚、ステップ１０５．ステップ１０９．ステップ１１３
で、それぞれ、コーヒー以外のフレーバー名、アイス、
いいえを認識した場合については、上述の処理と同様の
処理となるため説明を省略する。Note that step 105. Step 109. Step 113
So, each flavor name other than coffee, ice cream,
If no is recognized, the process is similar to the process described above, so the explanation will be omitted.

以上のように本実施例によれば、単語選択手段９により
認識すべき単語を選択し、ＣＲＴ等の表示手段により構
成される発声単語告知手段１０により前記選択単語を利
用者に告知して、音声合成手段により構成される発声誘
導手段５により利用者に発声を促すものであるから、利
用者は発声前に発声すべき単語を容易に知ることができ
る。As described above, according to this embodiment, a word to be recognized is selected by the word selection means 9, and the selected word is announced to the user by the uttered word notification means 10 constituted by a display means such as a CRT, Since the user is prompted to speak by the utterance guidance means 5 constituted by a voice synthesis means, the user can easily know the words to be uttered before uttering them.

又、本実施例においては、発声単語告知手段１゜を表示
手段としたが、これを、音声発声手段とし、例えば、発
声誘導のための音声に続けて「はいかいいえてお答え下
さい。」と発声するように音声により発声すべき単語を
指示しても同様の効果が得られることは言うまでもない
。In addition, in this embodiment, the uttered word announcement means 1° is used as a display means, but it is also used as a voice producing means, for example, following the voice for guiding the utterance, "Please answer with yes or no." It goes without saying that the same effect can be obtained by instructing the word to be uttered by voice.

発明の効果 以上のように本発明の音声認識システムは、複数の離散
単語音声の標準パターンを記憶した標準パターン記憶手
段と、発声者の音声を分析し音声パターンを抽出する音
声分析手段と、前記標準パターン群から、前記音声分析
手段により抽出した音声パターンに最も近い標準パター
ンを選出する標準パターン選出手段と、前記複数の離散
単語から認識すべき複数の単語を選択する単語選択手段
と、前記単語選択手段により選択した複数の単語を発声
前に発声者に知らしめる発声単語告知手段と、発声者に
単語を発声するように誘導する発声誘導手段とを設ける
ことにより、発声者は、発声前に、発声単語告知手段に
より認識可能な複数の単語を知ることができるため、認
識可能な単語以外の単語を発声したり、余分な語尾を付
加して発声したシすることがなくなると期待できるため
、認識率の低下を防ぐことができる。Effects of the Invention As described above, the speech recognition system of the present invention includes: a standard pattern storage means that stores standard patterns of a plurality of discrete word sounds; a speech analysis means that analyzes the speech of a speaker and extracts a speech pattern; standard pattern selection means for selecting a standard pattern closest to the speech pattern extracted by the speech analysis means from a group of standard patterns; word selection means for selecting a plurality of words to be recognized from the plurality of discrete words; By providing the utterance word notification means that informs the speaker of the plurality of words selected by the selection means before uttering the words, and the utterance guidance means that guides the speaker to utter the words, the speaker can , Since multiple recognizable words can be known by the uttered word notification means, it is expected that the user will not be able to utter words other than those that can be recognized or utter words with extra endings added. This can prevent the recognition rate from decreasing.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図は本発明の実施例における音声認識システムの機
能ブロック図、第２図、第３図そして第４図は発声単語
告知手段と発声誘導手段との連動を示す連動関係図、第
゛６図は販売動作を示すフローチャート、第６図は従来
の機能ブロック図である。 ３・・・・・・標準パターン記憶手段、２・・・・・・
音声分析手段、４・・・・・・標準パターン選出手段、
９・・・・・・単語選択手段、１ｏ・・・・・・発声単
語告知手段、６・・・・・・発声誘導手段。 代理人の氏名　弁理士　粟　野　重　孝　ほか１名第４
図 ５−　発声前４＋を賞 １０−６−　発声単話告知＋ｔ２ ５、÷ 図FIG. 1 is a functional block diagram of a speech recognition system according to an embodiment of the present invention, FIGS. 2, 3, and 4 are interlocking relationship diagrams showing the interlocking of the utterance word announcement means and the utterance guidance means, and FIG. The figure is a flowchart showing the sales operation, and FIG. 6 is a conventional functional block diagram. 3...Standard pattern storage means, 2...
Voice analysis means, 4...Standard pattern selection means,
9...Word selection means, 1o...Voice word notification means, 6...Voice guidance means. Name of agent: Patent attorney Shigetaka Awano and 1 other person No. 4
Figure 5- Award 4+ before utterance 10-6- Announcement of single word uttered + t2 5, ÷ Figure

Claims (1)

【特許請求の範囲】[Claims] 複数の離散単語音声の標準パターンを記憶した標準パタ
ーン記憶手段と、発声者の音声を分析し音声パターンを
抽出する音声分析手段と、前記標準パターン群から前記
音声分析手段により抽出した音声パターンに最も近い標
準パターンを選出する標準パターン選出手段と、前記複
数の離散単語から認識すべき複数の単語を選択する単語
選択手段と、前記単語選択手段により選択した複数の単
語を発声前に発声者に知らしめる発声単語告知手段と、
発声者に単語を発声するように誘導する発声誘導手段と
よりなる音声認識システム。a standard pattern storage means that stores standard patterns of a plurality of discrete word sounds; a voice analysis means that analyzes a speaker's voice and extracts a voice pattern; standard pattern selection means for selecting a standard pattern that is close to the standard pattern; word selection means for selecting a plurality of words to be recognized from the plurality of discrete words; and informing the speaker of the plurality of words selected by the word selection means before utterance. a voiced word announcement means,
A speech recognition system comprising a speech guidance means for guiding a speaker to pronounce a word.